摘要：「CryptoAI應用前景和挑戰」在Vitalik的最新文章中，他討論了人工智能與密碼學的交叉，并提出了兩個主要的挑戰:密碼學開銷和黑盒對抗性機器學習攻擊。雖然Vitalik認為AIxCrypto大有可為，但他指出，主要的反對意見之一是密碼學開銷。...
前期摘要
Vitalik Buterin 最新文章討論了區塊鏈和人工智能 (AI) 交接點主要集中在如何將交接點上。 AI 應用于加密世界，并討論了四個交接點: AI 作為參與者，AI 作為界面、AI 作為規則，以及 AI 作為目標。
本文探討了這些交接點的前景和挑戰，強調了對抗機器學習攻擊和密碼學的成本。 文章提到了使用零知識證明和其他密碼學來隱藏模型內部操作的概率，并指出了密碼學成本和黑匣子對抗機器學習攻擊的測試。
最后，文章討論了建立可擴展的分散隱私 AI 技術，并考慮了在 AI 安全與 AI 作為游戲目標的應用。 文章總結強調在這些領域需要謹慎實踐，但對于區塊鏈和區塊鏈， AI 對交叉領域的前景表示期待。
0. 「Crypto AI 應用價值與挑戰」
在 Vitalik 在最新文章中，他討論了人工智能與密碼學的交叉點，并提出了兩個主要考驗: 密碼學費用和黑盒對抗機器學習攻擊。
Vitalik 我覺得人工智能和數字貨幣的方向有很大的作用。 在幫助數字貨幣變得更好的過程中，人工智能可以發揮關鍵作用，比如「游戲界面」或「游戲規則」。
1. 挑戰: 密碼學花銷
a) 密碼學支出問題已經解決
盡管 Vitalik 覺得 AI x Crypto 他取得了巨大的成就，但他指出，主要的反對之一是密碼學的成本。 目前最主流的鏈條 AI/ML 方法是 zkML，這將 ML 模型編譯成 zk 電路，這樣密碼學就可以在鏈上驗證。
「人工智能計算非常昂貴」，加上密碼學，速度更慢。
Vitalik 我覺得密碼學成本的問題已經部分解決了:
- 人工智能計算及其密碼學成本適合高度加快，不像 zkEVM 那樣存在「非結構化」計算類型。
- 隨著時間的推移，更有效 zk 密碼學方案將被發明，成本將大大降低。
b) 目前，額外的費用是 1000 倍。
但是，這種方法遠不夠實用，尤其是對于這種方法來說， Vitalik 所描述的使用案例。 以下是一些相關的例子：
- zkML 框架 EZKL 生成一個 1M-nanoGPT 一般需要確認模型 80 分鐘。
- 根據 Modulus Labs 的說法，zkML 比純計算的費用 >>1000 雙倍，最新報告的數字是最新報告的數字 1000 倍。
- 根據 EZKL 的檢測，RISC Zero 隨機森林分類均值驗證時間為 173 秒。
在實踐中，要等幾分鐘才能得到 AI 交易的易讀解釋是不可接受的。
2. 通過 opML 處理
a) opML: Optimistic 機器學習
在文章的最后，Vitalik 提及：「我期待著在這些領域看到更多的人工智能建設用例，這樣我們就可以看到哪些是真正可行的大規模應用?！刮覀冋J為，zkML 現階段并非如此「可行」，上述應用程序難以實現。
作為 opML 的發明者和 opML 開源實現的第一個創始人，我們相信，opML 可以通過博弈論處理密碼學成本問題，讓人工智能 x Crypto 現在可以實現了。
b) 通過激勵機制實現安全
opML 在保證安全的同時，解決了鏈上的問題 ML 密碼學費用問題。 為了簡單考慮，我們可以使用它 Arbitrum 的 AnyTrust 假設來評價 opML 系統的安全性。
AnyTrust 假設每個主張至少有一個誠實的節點，以確保提交人或至少有一個驗證人是誠實的。 在 AnyTrust 保持安全性和有效性：
- 安全性: 誠實的驗證人可以通過質疑惡意節點的錯誤結果來強制執行正確的行為，從而通過仲裁程序進行處罰。
- 實效性: 建議的結果要么在最長時間內被接受，要么被拒絕。
比較「AnyTrust」和「Majority Trust」，opML 的「AnyTrust」 模型更安全?！窤nyTrust」 保持很高的安全性，在各種環境下都優于「Majority Trust」。
c) 用戶隱私 > 模型隱私
Vitalik 本文還談到了模型隱私問題。 事實上，對于大多數模型來說， ( 特別是 zkML 目前支持實踐中的小型模型 )，模型可以通過足夠的推理進行重建。
對于一般隱私，尤其是用戶隱私，由于需要保持挑戰的開放性，opML 似乎缺乏固有的隱私功能。 通過結合 zkML 和 opML，我們可以得到合適的隱私等級，以確保安全和不可逆轉的混淆。
d) 實現 AI x Crypto 用例
opML 已經可以直接在以太坊上運行了 Stable Diffusion 和 LLaMA 2。 Vitalik 提到的四類 ( 作為玩家使用人工智能 / 界面 / 規則 / 目標 ) 已經可以通過了 opML 實現了，而且沒有任何額外的費用。
我們正在積極探索以下用例和目標：
- AIGC NFT (ERC-7007)，7007 Studio 在 Story Protocol Hackathon 中獲勝
- 鏈上的人工智能游戲 ( 如龍與地下城游戲 )
- 使用 ML 的預測市場
- 內容真實性 (Deepfake 驗證器 )
- 合規的可編程隱私
- Prompt 市場
- 信譽 / 信用評分
3. 總結
有了 opML，我們可以消除密碼學成本帶來的挑戰，保持分散化和可驗證性，這樣我們就可以消除密碼學成本的挑戰 AI x Crypto 現在變得可行了。
